利用可配置合成误差指导医学图像分割评价中性能度量的选择
图像与视频处理
2023-01-02 v1 计算机视觉与模式识别
摘要
基于机器学习的医学图像分割广泛应用于从诊断到放疗计划制定的临床应用中。带有金标准的分割医学图像有助于研究不同分割性能度量的性质，以指导度量选择。规则几何形状常用于合成分割误差并说明性能度量的性质，但它们缺乏真实图像中解剖变化的复杂性。在本研究中，我们提出一种工具，通过调整从真实医学图像中提取的解剖对象参考（真值）掩膜来模拟分割结果。我们的工具旨在修改所定义的真值轮廓，并利用一组用户可配置参数模拟不同类型的分割误差。我们从 Glioma Image Segmentation for Radiotherapy (GLIS-RT) 数据库的 230 张患者图像中定义了金标准对象。对于每个对象，我们使用分割合成工具合成 10 个版本的分割（即 10 个模拟分割器或算法），其中每个版本具有预定义的分割误差组合。然后我们应用 20 个性能度量来评估所有合成分割。我们展示了这些度量的性质，包括其捕获特定类型分割误差的能力。通过分析这些度量的内在性质并对分割误差进行分类，我们正朝着开发用于辅助选择分割性能度量的决策树工具这一目标努力。
引用
@article{arxiv.2212.14828,
title = {Informing selection of performance metrics for medical image segmentation evaluation using configurable synthetic errors},
author = {Shuyue Guan and Ravi K. Samala and Weijie Chen},
journal= {arXiv preprint arXiv:2212.14828},
year = {2023}
}
备注
8 pages, 8 figures. Accepted by IEEE AIPR 2022 (Oral)